CN106501465B - 一种用于检测锚杆锚固质量的检测方法 - Google Patents
一种用于检测锚杆锚固质量的检测方法 Download PDFInfo
- Publication number
- CN106501465B CN106501465B CN201611214548.1A CN201611214548A CN106501465B CN 106501465 B CN106501465 B CN 106501465B CN 201611214548 A CN201611214548 A CN 201611214548A CN 106501465 B CN106501465 B CN 106501465B
- Authority
- CN
- China
- Prior art keywords
- formula
- detection
- sample
- matrix
- frequency response
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明涉及一种用于检测锚杆锚固质量的检测方法,包括以下步骤:a、构建频率响应函数矩阵;b、基于主元分析的频响函数主成分提取;c、基于PSO‑RBF神经网络的锚杆锚固质量检测算法。本发明的检测方法基于锚杆锚固系统测量频率响应函数,可有效避免模态参数估计误差对锚杆锚固有效长度检测以及锚固缺陷识别的影响。
Description
技术领域
本发明属于无损检测技术领域,具体涉及一种用于检测锚杆锚固质量的检测方法。
背景技术
锚杆锚固技术作为各类地下工程及边坡治理的重要手段,已在矿山、水电站、公路、铁路等工程施工中得到广泛应用。锚杆锚固工程不仅受岩土工程条件、锚杆结构设计、锚杆与围岩体系的相互作用、施工以及专业技术水平和经验等关联因素的影响,而且锚杆的施工还具有高度的隐蔽性,发现质量问题难,事故处理更难,由此产生的锚杆是否达到了工程设计要求,被锚固的岩体是否处于稳定的运行状态等系列的检定问题并没有得到很好的解决。因此,锚杆锚固质量的检测工作在锚杆锚固工程中具有十分重要的地位和作用。
近年来在结构损伤检测领域,基于结构动力特性来识别结构损伤已成为国内外研究的热点之一。目前,基于结构动力特性的方法主要包括响应的时间序列、频率响应函数和模态参数三种方法。其中以基于模态参数的损伤识别方法应用最为广泛。
发明内容
针对现有技术中存在的问题,本发明提出一种用于检测锚杆锚固质量的检测方法,该检测方法基于锚杆锚固系统测量频率响应函数,可有效避免模态参数估计误差对锚杆锚固有效长度检测以及锚固缺陷识别的影响。
本发明是这样实现的:一种用于检测锚杆锚固质量的检测方法,包括以下步骤:
a、构建频率响应函数矩阵;
b、基于主元分析的频响函数主成分提取;
c、基于PSO-RBF神经网络的锚杆锚固质量检测。
进一步的,a、构建频率响应函数矩阵,包括:
a-1、基于单点激励法,测量锚杆锚固系统激励信号和响应信号的原始值,并估计频率响应函数矩阵如下列公式(1)所示。
H(ω)=[hij]m×n=[h1 h2 … hm]T (1)
其中,m为实测数,n为每条频率响应函数曲线的谱线数。
a-2、矩阵标准化:根据下列的公式(2)将矩阵H(ω)进行标准化:
其中,sii和为样本方差和样本均值。标准化后的矩阵X如下列的公式(3)所示:
进一步的,b、基于主元分析的频响函数主成分提取,包括:
b-1、计算协方差矩阵:根据下列的公式(4),计算协方差矩阵:
其中,
b-2、计算协方差矩阵的特征值及其特征向量,并根据特征值的大小排序λ1>λ2>…>λm,同时将对应的特征向量排序,得到新的变换矩阵T,根据下列的公式(5),将标准化的频率响应函数矩阵X右乘T,得到新的特征参数矩阵Y。
Y=XT (5)
b-3、确定主元个数:根据下列的公式(6)和公式(7)分别计算单一贡献率Kr和累计贡献率Kt;当第r个累计贡献率达到85%以上时,则r个主元可以代替原来的n频率响应函数曲线的谱线数。
进一步的,c、基于PSO-RBF神经网络的锚杆锚固质量检测算法,包括:
c-1、隐含层中心个数k的求取:已知m个r维空间的样本库[x1 x2 … xm]T,第i个样本的密度指标如下列的公式(8)所示:
其中,a>0为某个点的邻域半径。
在所有样本的密度指标中,选出密度指标最高的样本作为第1个聚类中心,记作相应的密度指标记为在计算下一个聚类中心时,根据下列的公式(9)重新计算密度指标。
其中,通常令b=1.5a。
依次计算,直到Dk c/D1 c<l(l为小于1的常数)结束。
c-2、确定隐含层中心位置及宽度的步骤如下:
c-2-1、从m个样本中[x1 x2 … xm]T随机选取k个样本作为初始聚类中心ci(t),其中,i=1,2,…,k。
c-2-2、计算样本与每个聚类中心的距离,即||xj-ci||,其中,j=1,2,3,…,m,i=1,2,…,k。
c-2-3、将每个样本归为离它最近的聚类中心那一类中,将每一类中的数据求均值,如下列的公式(10),作为新的聚类中心。
i(xi)=min||xj-ci(t)|| (10)
其中,i=1,2,…,k。
c-2-4、根据下列的公式(11),计算ci(t+1),若ci(t+1)≠ci(t),则返回步骤c-2-2,重新计算,否则,继续步骤c-2-5。
ci(t+1)=(∑xi)/Ni (11)
其中,xi为第i类中的某一数据,Ni为第i类中样本数。
c-2-5、由计算出的聚类中心ci,根据下列的公式(12)和公式(13),计算基函数的宽度。
di=min||ti-tp|| (12)
其中,ti表示第i个基函数的中心。
deltai=λdi (13)
其中,λ为重叠系数。
c-3、广义逆求取权值:假设输入样本为[x1 x2 … xm]T,RBF网络的实际输出y=[y1,y2,…,yp]T为已知条件,则隐含层中第j个节点的输出如下列的公式(14)所示,
隐含层的输出为一个p行s列的矩阵K,根据RBF神经网络的结构可得出,可得网络实际输出如下列的公式(15)所示,
y=Kw (15)
根据下列的公式(16),求得权值w=[w1,w2,…,ws]T:
w=K+y (16)
其中,K+=(KTK)-1KT。
c-4、基于PSO算法优化RBF神经网络,步骤如下:
c-4-1、对最大惯性权重wmax和最小惯性权重wmin、最大迭代次数和种群规模等进行初始化。
c-4-2、随机选取编码后的N个粒子组成的粒子群,对粒子群的速度随机选取,根据实际情况选取适应度函数,由适应度计算个体极值和全局极值。
c-4-3、根据下列的公式(17)、公式(18)和公式(19)更新粒子的速度和位置。
vid(t+1)=w×vid(t)+c1×rand1×(pid(t)-xid(t))+c2×rand2×(pgd-xid(t)) (17)
其中,t为迭代次数;w为固定惯性权重;c1、c2分别为粒子向自己和全局最优粒子的学习的能力,一般取常数2;rand1、rand2为随机生成两个独立均匀分布的介于[0,1]之间的数;pid(t)为第i个粒子在第t次迭代中基于经验搜索到的最佳d维位置分量;pgd为全局极值中的d维位置分量。
xid(t+1)=xid(t)+β*vid(t+1) (18)
其中,vid(t)为第i个粒子在第t次迭代速度时的d维分量。
w=(wmax-wmin)(25t2-10Tt+16T2)/16T2+wmin (19)
c-4-4、根据下列的公式(20)计算粒子的适应度,若比之前的适应度更优,则更新原来的个体极值,否则,不变。
其中,yk、yk *分别为输出层的实际输出和期望输出,N为训练样本数。
c-4-5、比较粒子的个体极值与全局极值的适应度,若个体极值的适应度比全局极值的适应度优,则该粒子的位置取代全局极值,否则,不变。
c-4-6、若满足迭代停止的条件,迭代结束。否则,返回步骤c-4-3。
c-5、根据RBF神经网络输出判断锚杆锚固质量。RBF神经网络输出y=[y1 y2 …yq]T,其中q为RBF神经网络输出层节点个数;当yi=1,(1≤i≤q),yj=0,(j≠i,1≤j≤q)时,表示锚杆锚固质量属于第i类,从而可以根据第i类的类型判断锚杆锚固质量。
本发明的优点在于:
本发明采用人工神经网络对锚杆锚固质量进行评估,根据锚杆锚固系统在不同激励作用下的响应,通过特征提取,选择对锚固质量评价指标敏感的参数作为神经网络的输入,锚固质量的状态作为输出。通过训练完整锚固和缺陷锚固的样本,进而对未知损伤进行预测。
本发明利用主元分析方法对频率响应函数进行降维和压缩。由于锚杆锚固系统的频率响应函数的频率点有上千个,如果直接将频率响应函数作为神经网络的输入层节点,将会导致神经网络过于复杂,对训练样本数量的需求将会达到百万级。通过主元分析方法将频率响应函数进行降维压缩,将神经网络的输入层个数与主元个数相同,大大提高了神经网络的效率。同时,由于主元分析对噪声不敏感,经过主元分析降维起到了滤除噪声的目的。
附图说明
图1:本发明中用于锚杆锚固质量检测的单点激励法振动试验结构示意图;
图2:本发明中用于测试的完全锚固样本示意图。
图3:本发明中用于测试的缺陷锚固样本A示意图。
图4:本发明中用于测试的缺陷锚固样本B示意图。
图5:本发明提出的一种用于检测锚杆锚固质量的检测方法的流程图;
图中:1岩层、2锚固剂、3锚杆、4IEPE加速度传感器、5IEPE力锤、6计算机、7数据采集仪、8锚固缺陷。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
如图1所示,在裸露在外部的锚杆部位放置IEPE型加速度传感器,使用IEPE型力锤敲击锚杆,经过数据采集仪将加速度和力信号采集到计算机中。对原始数据滤波处理,估计频率响应函数。
在本实施例中,针对如图2~图4所示的3种锚杆锚固系统试验样本进行测试。图2为无缺陷样本,图3和图4为缺陷样本。每个样本各采集50组数据,其中45组用于训练RBF神经网络,5组用于验证。
本发明提出一种用于检测锚杆锚固质量的检测方法,如图5所示,具体包括以下几个步骤:
一、构建频率响应函数矩阵,包括:
(1)基于单点激励法,测量锚杆锚固系统激励信号和响应信号的原始值,并估计频率响应函数矩阵如下列公式(1)所示。
H(ω)=[hij]m×n=[h1 h2 … hm]T (1)
其中,m为实测数,本实施例中m=150,n为每条频率响应函数曲线的谱线数,本实施例中n=2000。
(2)矩阵标准化:根据下列的公式(2)将矩阵H(ω)进行标准化:
其中,sii和为样本方差和样本均值。标准化后的矩阵X如下列的公式(3)所示:
二、基于主元分析的频响函数主成分提取,包括:
(1)计算协方差矩阵:根据下列的公式(4),计算协方差矩阵:
其中,
(2)计算协方差矩阵的特征值及其特征向量,并根据特征值的大小排序λ1>λ2>…>λm,同时将对应的特征向量排序,得到新的变换矩阵T,根据下列的公式(5),将标准化的频率响应函数矩阵X右乘T,得到新的特征参数矩阵Y。
Y=XT (5)
(3)确定主元个数:根据下列的公式(6)和公式(7)分别计算单一贡献率Kr和累计贡献率Kt;当第r个累计贡献率达到85%以上时,则r个主元可以代替原来的n频率响应函数曲线的谱线数。
本实施例中,前10阶特征值λi和贡献率如表1所示。
表1前10阶特征值及贡献率
由表1可知,前10阶主元的累计贡献率已达93.5%,基本囊括了数据包含的信息。因此,选择主元个数r=10,同时选择RBF神经网络输入层个数为10。
三、基于PSO-RBF神经网络的锚杆锚固质量检测算法,包括:
(1)隐含层中心个数k的求取:已知m个r维空间的样本库[x1 x2 … xm]T,第i个样本的密度指标如下列的公式(8)所示:
其中,a>0为某个点的邻域半径。
在所有样本的密度指标中,选出密度指标最高的样本作为第1个聚类中心,记作相应的密度指标记为在计算下一个聚类中心时,根据下列的公式(9)重新计算密度指标。
其中,通常令b=1.5a。
依次计算,直到Dk c/D1 c<l(l为小于1的常数)结束。
(2)确定隐含层中心位置及宽度的步骤如下:
①从m个样本中[x1 x2 … xm]T随机选取k个样本作为初始聚类中心ci(t),其中,i=1,2,…,k。
②计算样本与每个聚类中心的距离,即||xj-ci||,其中,j=1,2,3,…,m,i=1,2,…,k。
③将每个样本归为离它最近的聚类中心那一类中,将每一类中的数据求均值,如下列的公式(10),作为新的聚类中心。
i(xi)=min||xj-ci(t)|| (10)
其中,i=1,2,…,k。
④根据下列的公式(11),计算ci(t+1),若ci(t+1)≠ci(t),则返回步骤②,重新计算,否则,继续步骤⑤。
ci(t+1)=(∑xi)/Ni (11)
其中,xi为第i类中的某一数据,Ni为第i类中样本数。
⑤由计算出的聚类中心ci,根据下列的公式(12)和公式(13),计算基函数的宽度。
di=min||ti-tp|| (12)
其中,ti表示第i个基函数的中心。
deltai=λdi (13)
其中,λ为重叠系数。
(3)广义逆求取权值:假设输入样本为[x1 x2 … xm]T,RBF网络的实际输出y=[y1,y2,…,yp]T为已知条件,则隐含层中第j个节点的输出如下列的公式(14)所示,
隐含层的输出为一个p行s列的矩阵K,根据RBF神经网络的结构可得出,可得网络实际输出如下列的公式(15)所示,
y=Kw (15)
根据下列的公式(16),求得权值w=[w1,w2,…,ws]T:
w=K+y (16)
其中,K+=(KTK)-1KT。
(4)基于PSO算法优化的RBF神经网络锚杆损伤检测步骤如下:
①对最大惯性权重wmax和最小惯性权重wmin、最大迭代次数和种群规模等进行初始化。
②随机选取编码后的N个粒子组成的粒子群,对粒子群的速度随机选取,根据实际情况选取适应度函数,由适应度计算个体极值和全局极值。
③根据下列的公式(17)、公式(18)和公式(19)更新粒子的速度和位置。
vid(t+1)=w×vid(t)+c1×rand1×(pid(t)-xid(t))+c2×rand2×(pgd-xid(t)) (17)
其中,t为迭代次数;w为固定惯性权重;c1、c2分别为粒子向自己和全局最优粒子的学习的能力,一般取常数2;rand1、rand2为随机生成两个独立均匀分布的介于[0,1]之间的数;pid(t)为第i个粒子在第t次迭代中基于经验搜索到的最佳d维位置分量;pgd为全局极值中的d维位置分量。
xid(t+1)=xid(t)+β*vid(t+1) (18)
其中,vid(t)为第i个粒子在第t次迭代速度时的d维分量。
w=(wmax-wmin)(25t2-10Tt+16T2)/16T2+wmin (19)
④根据下列的公式(20)计算粒子的适应度,若比之前的适应度更优,则更新原来的个体极值,否则,不变。
其中,yk、yk *分别为输出层的实际输出和期望输出,N为训练样本数。
⑤比较粒子的个体极值与全局极值的适应度,若个体极值的适应度比全局极值的适应度优,则该粒子的位置取代全局极值,否则,不变。
⑥若满足迭代停止的条件,迭代结束。否则,返回步骤③。
本实施例中,3种样本对应的RBF神经网络输出如表2所示。
表2不同类型的锚杆锚固样本的期望输出表
在保证运行结果准确性高,又能使隐含层基函数的个数尽可能的少的前提下,本实施例将减聚类算法中的参数设置为α=0.035,γ=0.01对样本进行聚类得出的聚类中心的个数为22,则RBF网络的结构为10-22-3。在K-均值聚类算法中求取基函数宽度时采用的重叠系数λ,其值影响的是参与调节数据中心的样本数,本实施例中λ选为2,本实验中将种群大小均设为20,迭代的最大次数为500,决定粒子在运动过程中移动的最大距离即最大限制速度为2,将均方差作为粒子的适应度函数,wmax=1.0,wmin=0.2。
参数设置完毕后,使用MATLAB软件编写程序,计算得到的22个最优基函数的中心和宽度如表3所示。
表3 PSO-RBF的最优基函数的中心和宽度
本实施例中,基于PSO-RBF神经网络对15组验证样本识别结果如表4所示。
表4 15组验证样本识别结果
由表4可以看出,针对3个样本进行验证的15组样本,RBF神经网络的输出与期望输出对比,可以看出本发明提出的锚杆锚固质量检测算法有效。
Claims (2)
1.一种用于检测锚杆锚固质量的检测方法,其特征在于,其包括如下步骤:
a、构建频率响应函数矩阵;
b、基于主元分析的频响函数主成分提取;
c、基于PSO-RBF神经网络的锚杆锚固质量检测;
所述构建频率响应函数矩阵包括如下步骤:
a-1、基于单点激励法,测量锚杆锚固系统激励信号和响应信号的原始值,并估计频率响应函数矩阵如公式(1)所示:
H(ω)=[hij]m×n=[h1 h2 … hm]T (1)
公式(1)中,m为实测数,n为每条频率响应函数曲线的谱线数;
a-2、矩阵标准化:根据公式(2)将矩阵H(ω)进行标准化:
公式(2)中,sii和为样本方差和样本均值;
标准化后的矩阵X如公式(3)所示:
所述基于主元分析的频响函数主成分提取,包括如下步骤:
b-1、计算协方差矩阵:根据公式(4),计算协方差矩阵:
公式(4)中,
b-2、计算协方差矩阵的特征值及其特征向量,并根据特征值的大小排序λ1>λ2>…>λm,同时将对应的特征向量排序,得到新的变换矩阵T,根据公式(5),将标准化的频率响应函数矩阵X右乘T,得到新的特征参数矩阵Y;
Y=XT (5)
b-3、确定主元个数:根据公式(6)和公式(7)分别计算单一贡献率Kr和累计贡献率Kt;当第r个累计贡献率达到85%以上时,则r个主元可以代替原来的n频率响应函数曲线的谱线数;
2.根据权利要求1所述的一种用于检测锚杆锚固质量的检测方法,其特征在于,所述基于PSO-RBF神经网络的锚杆锚固质量检测算法,包括如下步骤:
c-1、隐含层中心个数k的求取:已知m个r维空间的样本库[x1 x2 … xm]T,第i个样本的密度指标如公式(8)所示:
公式(8)中,a>0为某个点的邻域半径;
在所有样本的密度指标中,选出密度指标最高的样本作为第1个聚类中心,记作相应的密度指标记为在计算下一个聚类中心时,根据公式(9)重新计算密度指标;
公式(9)中,通常令b=1.5a;
依次计算,直到Dk c/D1 c<l(l为小于1的常数)结束;
c-2、确定隐含层中心位置及宽度:
c-2-1、从m个样本中[x1 x2 … xm]T随机选取k个样本作为初始聚类中心ci(t),其中,i=1,2,···,k;
c-2-2、计算样本与每个聚类中心的距离,即||xj-ci||,其中,j=1,2,3,···,m,i=1,2,···,k;
c-2-3、将每个样本归为离它最近的聚类中心那一类中,将每一类中的数据求均值,如公式(10),作为新的聚类中心;
i(xi)=min||xj-ci(t)|| (10)
公式(10)中,i=1,2,···,k;
c-2-4、根据公式(11),计算ci(t+1),若ci(t+1)≠ci(t),则返回步骤c-2-2,重新计算,否则,继续步骤c-2-5;
ci(t+1)=(∑xi)/Ni (11)
公式(11)中,xi为第i类中的某一数据,Ni为第i类中样本数;
c-2-5、由计算出的聚类中心ci,根据公式(12)和公式(13),计算基函数的宽度;
di=min||ti-tp|| (12)
公式(12)中,ti表示第i个基函数的中心;
deltai=λdi (13)
公式(13)中,λ为重叠系数;
c-3、广义逆求取权值:假设输入样本为[x1 x2 … xm]T,RBF网络的实际输出y=[y1,y2,···,yp]T为已知条件,则隐含层中第j个节点的输出如公式(14)所示,
隐含层的输出为一个p行s列的矩阵K,根据RBF神经网络的结构可得出,可得网络实际输出如公式(15)所示,
y=Kw (15)
根据公式(16),求得权值w=[w1,w2,···,ws]T:
w=K+y (16)
公式(16)中,K+=(KTK)-1KT;
c-4、基于PSO算法优化RBF神经网络:
c-4-1、对最大惯性权重wmax和最小惯性权重wmin、最大迭代次数和种群规模等进行初始化;
c-4-2、随机选取编码后的N个粒子组成的粒子群,对粒子群的速度随机选取,根据实际情况选取适应度函数,由适应度计算个体极值和全局极值;
c-4-3、根据下列的公式(17)、公式(18)和公式(19)更新粒子的速度和位置;
vid(t+1)=w×vid(t)+c1×rand1×(pid(t)-xid(t))+c2×rand2×(pgd-xid(t)) (17)
公式(17)中,t为迭代次数;w为固定惯性权重;c1、c2分别为粒子向自己和全局最优粒子的学习的能力,一般取常数2;rand1、rand2为随机生成两个独立均匀分布的介于[0,1]之间的数;pid(t)为第i个粒子在第t次迭代中基于经验搜索到的最佳d维位置分量;pgd为全局极值中的d维位置分量;
xid(t+1)=xid(t)+β*vid(t+1) (18)
公式(18)中,vid(t)为第i个粒子在第t次迭代速度时的d维分量;
w=(wmax-wmin)(25t2-10Tt+16T2)/16T2+wmin (19)
c-4-4、根据公式(20)计算粒子的适应度,若比之前的适应度更优,则更新原来的个体极值,否则,不变;
公式(20)中,yk、yk *分别为输出层的实际输出和期望输出,N为训练样本数;
c-4-5、比较粒子的个体极值与全局极值的适应度,若个体极值的适应度比全局极值的适应度优,则该粒子的位置取代全局极值,否则,不变;
c-4-6、若满足迭代停止的条件,迭代结束;否则,返回步骤c-4-3;
c-5、根据RBF神经网络输出判断锚杆锚固质量;RBF神经网络输出y=[y1 y2 … yq]T,其中q为RBF神经网络输出层节点个数;当yi=1,(1≤i≤q),yj=0,(j≠i,1≤j≤q)时,表示锚杆锚固质量属于第i类,从而可以根据第i类的类型判断锚杆锚固质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611214548.1A CN106501465B (zh) | 2016-12-23 | 2016-12-23 | 一种用于检测锚杆锚固质量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611214548.1A CN106501465B (zh) | 2016-12-23 | 2016-12-23 | 一种用于检测锚杆锚固质量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106501465A CN106501465A (zh) | 2017-03-15 |
CN106501465B true CN106501465B (zh) | 2018-11-13 |
Family
ID=58334043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611214548.1A Active CN106501465B (zh) | 2016-12-23 | 2016-12-23 | 一种用于检测锚杆锚固质量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106501465B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874627B (zh) * | 2017-03-20 | 2020-11-03 | 石家庄铁道大学 | 一种用于检测矿用锚杆施工质量和工作状态的检测方法 |
CN107085846B (zh) * | 2017-05-08 | 2020-01-03 | 湘潭大学 | 工件表面缺陷图像识别方法 |
CN107273971B (zh) * | 2017-06-13 | 2021-10-22 | 石家庄铁道大学 | 基于神经元显著性的前馈神经网络结构自组织方法 |
CN109187770A (zh) * | 2018-10-23 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 一种锚杆ai检测方法 |
CN109632687A (zh) * | 2019-01-28 | 2019-04-16 | 国网重庆市电力公司电力科学研究院 | 四氟化碳气体浓度检测校正方法、装置、设备及存储介质 |
CN110826598B (zh) * | 2019-10-16 | 2022-09-02 | 四川大学 | 基于卷积神经网络的锚杆锚固密实度等级评定方法 |
CN111310598B (zh) * | 2020-01-20 | 2023-06-20 | 浙江工业大学 | 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1793897A (zh) * | 2005-12-09 | 2006-06-28 | 重庆大学 | 一种锚杆极限承载力的无损检测方法 |
CN102183226A (zh) * | 2011-03-11 | 2011-09-14 | 石家庄铁道大学 | 基于多源信息融合的锚杆无损检测方法 |
CN102269814A (zh) * | 2011-04-21 | 2011-12-07 | 长江大学 | 一种用于基桩质量智能检测的方法 |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN103927458A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种土层锚杆锚固力影响因素敏感性的测定方法 |
CN106198870A (zh) * | 2016-07-06 | 2016-12-07 | 中国矿业大学 | 一种基于神经网络的锚杆杆体损伤位置识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9708740D0 (en) * | 1997-04-29 | 1997-06-18 | Univ Aberdeen | Ground anchorage testing system |
-
2016
- 2016-12-23 CN CN201611214548.1A patent/CN106501465B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1793897A (zh) * | 2005-12-09 | 2006-06-28 | 重庆大学 | 一种锚杆极限承载力的无损检测方法 |
CN102183226A (zh) * | 2011-03-11 | 2011-09-14 | 石家庄铁道大学 | 基于多源信息融合的锚杆无损检测方法 |
CN102269814A (zh) * | 2011-04-21 | 2011-12-07 | 长江大学 | 一种用于基桩质量智能检测的方法 |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN103927458A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种土层锚杆锚固力影响因素敏感性的测定方法 |
CN106198870A (zh) * | 2016-07-06 | 2016-12-07 | 中国矿业大学 | 一种基于神经网络的锚杆杆体损伤位置识别方法 |
Non-Patent Citations (3)
Title |
---|
基于神经网络方法的钢筋混凝土双筋植筋的锚固性能研究;张明 等;《江苏建筑 2014年增刊》;20141231(第97期);7-9 * |
改进阈值去噪法在锚杆参数检测中的应用;曹威 等;《中国矿业》;20160831;第25卷(第8期);130-134 * |
锚杆承载力预测新方法的研究;孙晓云 等;《中国地球科学联合学术年会》;20161015;1715-1717 * |
Also Published As
Publication number | Publication date |
---|---|
CN106501465A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106501465B (zh) | 一种用于检测锚杆锚固质量的检测方法 | |
CN102222267B (zh) | 一种遗传算法改进神经网络遥感分类处理方法 | |
CN103336305B (zh) | 一种基于灰色理论划分致密砂岩储层岩石物理相的方法 | |
CN107943880B (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
CN101231672A (zh) | 基于改进型bp神经网络的模拟电路软故障诊断方法 | |
CN105069477B (zh) | AdaBoost级联分类器检测图像目标的方法 | |
CN104533400B (zh) | 一种重构测井曲线的方法 | |
CN111580181B (zh) | 一种基于多场多特征信息融合的导水陷落柱识别方法 | |
CN108897066A (zh) | 碳酸盐岩裂缝密度定量预测方法及装置 | |
CN107728231A (zh) | 一种预测核磁共振测井横向弛豫时间t2分布的方法 | |
CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
CN106157979A (zh) | 一种获取人声音高数据的方法和装置 | |
CN107657393A (zh) | 近断层地震作用下桥梁的抗震评估方法 | |
CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
CN103376468A (zh) | 基于神经网络函数逼近算法的储层参数定量表征方法 | |
CN111191696B (zh) | 一种基于深度学习算法的钢筋分层方法及系统 | |
CN115061219A (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
CN110568495B (zh) | 基于广义目标函数的瑞雷波多模式频散曲线反演方法 | |
CN106842161B (zh) | 基于置信度评价的微动周期提取方法 | |
CN106251861B (zh) | 一种基于场景建模的公共场所异常声音检测方法 | |
CN110502845B (zh) | 基于遗传算法和黏弹性理论的pfwd路基模量确定方法 | |
CN104570109A (zh) | 一种储层油气预测的方法 | |
CN103984856A (zh) | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 | |
CN117291059A (zh) | 一种高温高压有水气藏可采储量及水侵参数计算方法 | |
CN109459791A (zh) | 一种利用测井曲线确定河道位置的方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |